这位复旦教授和他的数字分身共同给当下大学教育开出一份诊断书

人工智能正在深刻改变知识生产方式、社会分工结构和人才能力版图。当大模型能快速完成算法推导、代码编写，甚至复杂数据分析时，教育必须问几个根本问题：机器越来越会“做题”，学生还要学什么？大量标准化认知劳动可以由AI完成，学校该培养什么样的人？当知识传授和技能训练不再稀缺，教育的不可替代价值究竟在哪？

这些问题指向同一个时代命题：AI带给教育的，不是多加一种工具、更新几门课程，而是对教育目标、培养过程、评价方式乃至学校形态的系统性重塑。教育改革不能只让学生“会用AI”，而应努力实现“人+AI>AI”。关键不在于人与机器争夺机器擅长的工作，而在于发展人的主体性、判断力、创造力和责任意识，以人的智慧驾驭机器智能，以人的发展引领技术发展。

从“人与AI竞争”转向“人机协同增益”

工业时代的教育习惯于通过统一课程、标准答案和集中考试，训练学生准确、快速地完成规定任务。这套体系适应了大规模社会分工的需要，却也容易把学生塑造成知识的记忆者、规则的服从者和任务的执行者。个体差异、探索欲望与原创能力，则可能被标准化流程遮蔽。

人工智能让这一矛盾更加突出。记忆、检索、计算、模式匹配以及部分程序化推理，正在成为机器的优势。如果教育仍把大量时间用于训练可重复、可计算、可标准化的能力，人的成长就可能被锁定在机器最容易替代的区域。让学生与AI比较答题速度，或者把会不会使用某个工具视为数字时代的核心竞争力，都没有触及教育变革的本质。

真正值得追求的，不是人与AI简单的胜负比较，而是“人+AI>AI”。AI可以拓展知识边界、降低实践门槛、提高试错效率，但目标由谁设定、问题是否值得解决、答案是否可信、结果如何使用，最终仍需人作出判断。代码可以交给AI生成，判断不能交给AI；步骤可以由AI执行，方向必须由人决定。只有技术放大人的智慧，而不是替代人的思考，人机协同才真正成立。

培养机器难以替代的“不可计算心智”

教育面向未来，必须更加重视人的不可计算心智特性。所谓“不可计算”，并非断言某种能力永远无法被机器模拟，而是强调人的成长不能被简化为一组指标，也不能被还原为一套确定算法。面对开放世界，人需要在信息不充分、价值相冲突、后果不确定的条件下作出选择。这既依赖知识和逻辑，也涉及好奇心、同理心、想象力、审美、意志、勇气、价值判断与责任意识。

真正重要的问题往往没有现成答案。能否发现尚未被看见的问题？能否质疑题目本身的前提？能否在多个可行方案中辨别何者更有价值？能否理解技术行为对他人与社会的影响？……这些问题构成了人与AI协同的深层基础。这些品质不是脱离知识的玄思，而是在长期阅读、讨论、实践、反思与真实责任中逐渐形成的。

因此，教育不能只关注学生知道多少、算得多快，还要关注学生能否提出好问题、辨别证据强弱、解释判断依据、面对错误并修正结论，以及为技术应用划定边界。过去容易被视作“软能力”的心智品质，正在成为人工智能时代更为坚硬的竞争力。

守住核心认知，发展高阶认知

强调高阶认知，并不意味着基础知识和核心认知能力已经过时。教育改革必须警惕另一个极端：把AI当作外置大脑，认为记忆、计算、阅读、写作和基本推理都可以交给机器，学生只需保留所谓“创意”和“判断”。事实上，没有坚实的核心认知，就难以形成可靠的高阶认知；缺少知识结构的人，甚至无法识别AI究竟错在哪里。

核心认知是理解世界的地基，包括必要的知识储备、概念体系、逻辑推理、语言表达、数量意识和基本的问题解决能力。高阶认知则建立于其上，表现为综合、评价、创造、迁移、反思以及在不确定条件下作出判断的能力。二者不是相互替代，而是基础与跃迁的关系。

没有核心认知，高阶认知容易滑向无根的想象；没有高阶认知，核心认知则容易停留在知识的机械搬运。

当前教育的根本问题，不是不重视核心认知，而是在核心认知的训练与评价方面走得过远。大量时间被用于重复训练已有明确答案、便于统一评分的任务，学生不断证明自己掌握了多少知识、能以多快速度复现标准步骤，却很少有机会提出问题、挑战假设、综合证据和创造方案。结果就是，核心认知训练挤占了高阶认知生长的空间，评价手段反过来定义了教育目标。

当前教育改革的关键，是在守住核心认知底线的同时，为高阶认知培养留出足够的时间与资源。AI提升知识获取和技能执行效率之后，节省下来的时间不应被更多练习重新填满，而应投入深度阅读、开放讨论、跨学科项目、真实问题解决和创造性实践。改革不是降低基础要求，而是减少低效重复；不是取消标准，而是让标准为人的成长服务。

考试应从检验答案转向发现能力

“数据挖掘技术”课程的考试改革，是对上述理念的一次实践。传统考试由教师出题、学生答题，重点考查记忆、计算和标准化解题能力。然而，关联规则、决策树、贝叶斯分类等任务，已经是AI的强项。如果仍让学生与AI比速度、比准确率，所测量的可能不再是学生面向未来的真实能力。为此，期末考核改为“学生出题、AI答题”。每名学生设计10道具有唯一正确答案的数据挖掘计算题，既要给出完整推导过程，也要测试三个不同能力水平的大模型。完成合规题目可获得基础分，发现并命中更强模型的盲区则获得更高加分。这样的评价既守住核心知识和规范推导的底线，又把能力上限指向提问、分析、判断与创造。51名学生中，50人至少让一个模型答错过一道题，4人让某个模型整张试卷得零分。真正拉开差距的，不是题目形式有多复杂，而是学生是否深入理解知识，能否发现模型的结构性缺陷。有的题目检验模型能否察觉条件不足，有的利用多重约束考查模型是否遗漏关键前提。这表明，只有先把知识学深、学透，才可能找到AI的盲区。自己出的题自己不会，不是真本事；能够审视答案为何成立、何时失效，才是更高层次的能力。考试由此不再只是知识学习的终点，而成为促进深度学习的过程；学生不再只是标准答案的接受者，而成为问题的提出者、方案的设计者和结果的裁判者。不要做AI的执行者，要做AI的裁判官。“裁判”必须比AI更理解知识，也更理解AI的能力边界。

从模板化培养回归每个人的充分发展

工业时代教育强调规模、效率和一致性，具有特定的历史合理性。但统一进度、统一内容、统一答案和统一评价，也容易把丰富的人压缩为少数指标，把成长变成沿着同一条轨道进行的竞赛。模板化人才培养本质上难以容纳人的差异，与人的充分发展存在内在张力。

AI为改变这一格局提供了可能。智能工具可以承担部分重复性教学工作，根据学生基础提供差异化支持，并降低跨学科学习与复杂实践的门槛。教育因而有条件从“用同一种方式培养所有人”，转向“帮助每个人找到适合自己的发展路径”。人的充分发展，应成为人工智能时代教育回归的本源。

但充分发展绝不等同于放任自由，更不是让学生随机生长。真正的教育始终包含引导：帮助学生认识自己的禀赋与局限，建立必要的知识和价值基础，理解自由与责任的边界，在多种可能性中作出审慎选择。教育既要有所为，也要有所不为。“有所为”，是提供基础、方向、资源、挑战和反馈；“有所不为”，是不以统一模板替代个体选择，不以短期指标穷尽人的价值。

个性化也不能演变为新的能力分化。AI可能产生“马太效应”：基础扎实、判断力强的学生借助AI快速迭代，实现能力跃升；基础薄弱的学生若只依赖AI交付结果，则可能逐渐失去独立分析和验证能力。因此，教育既要为优秀学生提供挑战上限，也要为每个学生守住核心认知、独立判断和责任意识的底线。每个人的充分发展，意味着承认差异，也意味着不放弃任何一个人的成长可能。

教师回归导师，学校回归学院

当知识不再稀缺，教师的价值不会下降，但角色必须改变。教师不应再主要充当知识的搬运者和标准答案的发布者，而应回归导师角色，成为学习过程的设计者、思维方法的启发者、成长方向的引导者和价值边界的守护者。教师更重要的工作，是提出值得探索的问题，创造真实而有挑战性的任务，在学生遇到困难时提供支架，在技术诱惑面前守住教育原则。

学校也需要从知识传输和资格认证的场所，重新回归“学院”的本义。学院应是师生追问真理、交流思想、检验观点的共同体，是允许质疑、鼓励争鸣、宽容失败的思辨乐园。课堂不只是完成教学进度的空间，还应成为观点相遇、证据交锋和新问题生成的场域；校园不只是组织课程与考试的机构，还应为深度交往、共同实践和精神成长提供不可替代的环境。

这意味着教育总体形态需要从根本上重塑：课程从封闭的知识单元走向真实问题牵引的跨学科组织，教学从整齐划一的集体推进走向共同基础上的多样化发展，评价从一次性结果判定走向对学习过程、思维品质和创造能力的综合观察，学校治理则应为教师指导、学生探索和长期成长配置更多时间与资源。

人工智能时代，教育面对的最大挑战，不是机器会不会超过人，而是人是否因依赖机器而放弃思考；教育最重要的任务，也不是把学生训练得更像机器，而是帮助他们成为更加完整的人。

从“会做题”走向“会判断”，从标准答案走向真实问题，从模板化培养走向每个人的充分发展，从知识传授者走向成长导师，从教学场所走向思辨共同体——这是教育必须迈出的深层转型。